예측 검증

Python으로 추천 엔진 만들기

Rob O'Callaghan

Director of Data

홀드아웃 세트

큰 행렬

홀드아웃 세트

마지막 열이 강조된 큰 행렬

홀드아웃 세트

마지막 열이 강조된 큰 행렬과 강조되지 않은 행렬

홀드아웃 세트

마지막 열이 강조된 큰 행렬과 불규칙하게 강조된 행렬

홀드아웃 세트

보류 세트로 하단 행이 강조된 큰 행렬과 강조되지 않은 행렬

홀드아웃 세트

보류 세트로 하단 행이 강조된 큰 행렬과 좌하단 모서리가 강조된 행렬

홀드아웃 세트 분리하기

actual_values = act_ratings_df.iloc[:20, :100].values

act_ratings_df.iloc[:20, :100] = np.nan

이전과 같이 예측을 생성하세요.

predicted_values = calc_pred_ratings_df.iloc[:20, :100].values

홀드아웃 세트 마스킹

mask = ~np.isnan(actual_values)

print(actual_values[mask])

[4.  4.  5.  3.  3.  ...]

print(predicted_values[mask])

[3.76, 4.35,  4.95,  3.5869079 3.686337   ...]

RMSE 소개 (평균제곱근오차)

실제값 대 예측값 표

RMSE 소개 (평균제곱근오차)

실제값 대 예측값 및 그 차이의 표

RMSE 소개 (평균제곱근오차)

실제값 대 예측값, 그 차이, 차이의 제곱 표

RMSE 소개 (평균제곱근오차)

실제값 대 예측값, 차이, 차이의 제곱, 그리고 RMSE 식이 포함된 표

RMSE 소개 (평균제곱근오차)

실제값 대 예측값, 차이, 차이의 제곱, 그리고 RMSE 식이 포함된 표

RMSE 소개 (평균제곱근오차)

실제값 대 예측값, 차이, 차이의 제곱, 그리고 RMSE 식이 포함된 표

Python에서 RMSE

from sklearn.metrics import mean_squared_error

print(mean_squared_error(actual_values[mask],
                         predicted_values[mask],
                         squared=False))

3.6223997

연습해 봅시다!

Python으로 추천 엔진 만들기